豆瓣图书评分数据的可视化分析

导语

豆瓣是一个提供图书、电影、音乐等文化产品的社区平台，用户可以在上面发表自己的评价和评论，形成一个丰富的文化数据库。本文将介绍如何使用爬虫技术获取豆瓣图书的评分数据，并进行可视化分析，探索不同类型、不同年代、不同地区的图书的评分特征和规律。

概述

本文的主要步骤如下：

• 使用scrapy框架编写爬虫程序，从豆瓣图书网站抓取图书的基本信息和评分数据，保存为csv格式的文件。
• 使用亿牛云爬虫代理服务，提高爬虫效率和稳定性，避免被豆瓣网站屏蔽或封禁。
• 使用pandas库对爬取的数据进行清洗和处理，提取出需要的字段和特征。
• 使用matplotlib库对处理后的数据进行可视化分析，绘制各种类型的图表，展示不同维度的评分分布和关系。

正文

爬虫程序

首先，我们需要编写一个爬虫程序，从豆瓣图书网站抓取图书的基本信息和评分数据。我们使用scrapy框架来实现这个功能，scrapy是一个强大而灵活的爬虫框架，可以方便地定义爬虫规则和处理数据。我们需要定义一个Spider类，继承自scrapy.Spider类，并重写以下方法：

• start_requests：该方法返回一个可迭代对象，包含了爬虫开始时要访问的请求对象。我们可以从豆瓣图书首页开始，获取所有分类的链接，并构造请求对象。
• parse：该方法负责处理start_requests返回的请求对象的响应，并解析出需要的数据或者进一步的请求。我们可以使用scrapy自带的选择器或者BeautifulSoup等第三方库来解析HTML文档，提取出图书列表页的链接，并构造请求对象。
• parse_book：该方法负责处理parse返回的请求对象的响应，并解析出图书详情页的数据。我们可以使用同样的方式来提取出图书的基本信息和评分数据，并将其保存为字典格式。
• close：该方法在爬虫结束时被调用，我们可以在这里将抓取到的数据保存为csv格式的文件。

为了提高爬虫效率和稳定性，我们还需要使用亿牛云爬虫代理服务，该服务提供了大量高质量的代理IP地址，可以帮助我们避免被豆瓣网站屏蔽或封禁。我们只需要在settings.py文件中设置代理服务器的域名、端口、用户名和密码，以及启用中间件HttpProxyMiddleware即可。

首先配置爬虫代理，你可以按照以下步骤在Scrapy项目的settings.py文件中进行配置：
确保已经安装了Scrapy以及相关依赖。然后，打开你的Scrapy项目的settings.py文件，并添加以下配置：

# 启用HttpProxyMiddleware中间件
DOWNLOADER_MIDDLEWARES = {
    'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 1,
}

# 设置亿牛云 爬虫代理服务器的配置
HTTPPROXY_AUTH_ENCODING = 'utf-8'  # 编码格式

# 亿牛云 爬虫代理服务器的域名、端口、用户名和密码
HTTPPROXY_HOST = 'www.16yun.cn'
HTTPPROXY_PORT = 12345
HTTPPROXY_USER = '16YUN'
HTTPPROXY_PASS = '16IP'

1
2
3
4
5
6
7
8
9
10
11
12
13
14

以下是爬虫程序的代码：

# -*- coding: utf-8 -*-
import scrapy
import csv

class DoubanSpider(scrapy.Spider):
    name = 'douban'
    allowed_domains = ['book.douban.com']
    start_urls = ['https://book.douban.com/']

    # 定义保存数据的列表
    data = []

    def start_requests(self):
        # 从豆瓣图书首页开始
        yield scrapy.Request(url=self.start_urls[0], callback=self.parse)

    def parse(self, response):
        # 解析首页，获取所有分类的链接
        categories = response.xpath('//div[@class="article"]/div[@class="indent"]/table//a')
        for category in categories:
            # 构造分类页面的请求对象
            url = category.xpath('./@href').get()
            yield scrapy.Request(url=url, callback=self.parse_book)

    def parse_book(self, response):
        # 解析分类页面，获取图书列表
        books = response.xpath('//li[@class="subject-item"]')
        for book in books:
            # 构造图书详情页的请求对象
            url = book.xpath('./div[@class="info"]/h2/a/@href').get()
            yield scrapy.Request(url=url, callback=self.parse_detail)

        # 获取下一页的链接，如果存在则继续爬取
        next_page = response.xpath('//span[@class="next"]/a/@href')
        if next_page:
            url = next_page.get()
            yield scrapy.Request(url=url, callback=self.parse_book)

    def parse_detail(self, response):
        # 解析图书详情页，获取图书的基本信息和评分数据
        item = {}
        item['title'] = response.xpath('//h1/span/text()').get() # 标题
        item['author'] = response.xpath('//span[contains(text(),"作者")]/following-sibling::a/text()').get() # 作者
        item['publisher'] = response.xpath('//span[contains(text(),"出版社")]/following-sibling::text()').get() # 出版社
        item['pub_date'] = response.xpath('//span[contains(text(),"出版年")]/following-sibling::text()').get() # 出版年
        item['price'] = response.xpath('//span[contains(text(),"定价")]/following-sibling::text()').get() # 定价
        item['rating'] = response.xpath('//strong/text()').get() # 评分
        item['rating_num'] = response.xpath('//a[contains(@href,"rating")]/span/text()').get() # 评分人数
        item['tags'] = response.xpath('//div[@id="db-tags-section"]/div[@class="indent"]/span/a/text()').getall() # 标签

        # 将数据添加到列表中
        self.data.append(item)

    def close(self, spider, reason):
        # 爬虫结束时，将数据保存为csv格式的文件
        with open('douban_books.csv', 'w', encoding='utf-8', newline='') as f:
            writer = csv.DictWriter(f, fieldnames=self.data[0].keys())
            writer.writeheader()
            writer.writerows(self.data)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59

数据清洗和处理

接下来，我们需要对爬取的数据进行清洗和处理，提取出需要的字段和特征。我们使用pandas库来实现这个功能，pandas是一个强大而灵活的数据分析和处理库，可以方便地读取、操作和转换数据。我们需要做以下几个步骤：

• 读取csv文件，将数据转换为DataFrame对象。
• 去除空值和重复值，保证数据的完整性和唯一性。
• 对部分字段进行类型转换，如将评分和评分人数转换为数值类型，将出版年转换为日期类型。
• 对部分字段进行拆分或合并，如将作者拆分为中文作者和外文作者，将标签合并为一个字符串。
• 对部分字段进行分组或分类，如根据评分区间划分为高分、中等、低分三类，根据出版年划分为不同的年代。

以下是数据清洗和处理的代码：

# -*- coding: utf-8 -*-
import pandas as pd

# 读取csv文件，将数据转换为DataFrame对象
df = pd.read_csv('douban_books.csv')

# 去除空值和重复值，保证数据的完整性和唯一性
df.dropna(inplace=True)
df.drop_duplicates(inplace=True)

# 对部分字段进行类型转换，如将评分和评分人数转换为数值类型，将出版年转换为日期类型
df['rating'] = pd.to_numeric(df['rating'])
df['rating_num'] = pd.to_numeric(df['rating_num'])
df['pub_date'] = pd.to_datetime(df['pub_date'])

# 对部分字段进行拆分或合并，如将作者拆分为中文作者和外文作者，将标签合并为一个字符串 
df[‘tags’] = df[‘tags’].apply(lambda x: ‘,’.join(x))

# 对部分字段进行分组或分类，如根据评分区间划分为高分、中等、低分三类，根据出版年划分为不同的年代
df[‘rating_level’] = pd.cut(df[‘rating’], bins=[0, 7, 8.5, 10], labels=[‘低分’, ‘中等’, ‘高分’]) 
df[‘pub_year’] = df[‘pub_date’].dt.year 
df[‘pub_decade’] = (df[‘pub_year’] // 10) * 10
#数据清洗和处理完成，保存为新的csv文件
df.to_csv(‘douban_books_cleaned.csv’, index=False)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

数据可视化分析

最后，我们需要对处理后的数据进行可视化分析，绘制各种类型的图表，展示不同维度的评分分布和关系。我们使用matplotlib库来实现这个功能，matplotlib是一个强大而灵活的数据可视化库，可以方便地创建各种风格和格式的图表。我们需要做以下几个步骤：

• 导入matplotlib库，并设置中文显示和风格。
• 读取清洗后的csv文件，将数据转换为DataFrame对象。
• 使用matplotlib的子模块pyplot来绘制各种图表，如直方图、饼图、箱线图、散点图等。
• 使用matplotlib的子模块axes来调整图表的标题、标签、刻度、图例等属性。
• 使用matplotlib的子模块figure来保存图表为图片文件。

以下是数据可视化分析的代码：

# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
import pandas as pd

# 导入matplotlib库，并设置中文显示和风格
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置中文显示
plt.rcParams['axes.unicode_minus'] = False # 设置负号显示
plt.style.use('ggplot') # 设置风格

# 读取清洗后的csv文件，将数据转换为DataFrame对象
df = pd.read_csv('douban_books_cleaned.csv')

# 绘制直方图，显示不同评分区间的图书数量
plt.figure(figsize=(8, 6)) # 设置画布大小
plt.hist(df['rating'], bins=20, color='steelblue', edgecolor='k') # 绘制直方图
plt.xlabel('评分') # 设置x轴标签
plt.ylabel('数量') # 设置y轴标签
plt.title('豆瓣图书评分直方图') # 设置标题
plt.savefig('rating_hist.png') # 保存图片

# 绘制饼图，显示不同评分等级的图书占比
plt.figure(figsize=(8, 6)) # 设置画布大小
rating_level_counts = df['rating_level'].value_counts() # 计算不同评分等级的图书数量
plt.pie(rating_level_counts, labels=rating_level_counts.index, autopct='%.2f%%', colors=['limegreen', 'gold', 'tomato']) # 绘制饼图
plt.title('豆瓣图书评分等级饼图') # 设置标题
plt.savefig('rating_level_pie.png') # 保存图片

# 绘制箱线图，显示不同年代的图书评分分布
plt.figure(figsize=(8, 6)) # 设置画布大小
decades = df['pub_decade'].unique() # 获取不同年代的列表
decades.sort() # 对年代进行排序
ratings_by_decade = [df[df['pub_decade'] == decade]['rating'] for decade in decades] # 获取每个年代对应的评分列表
plt.boxplot(ratings_by_decade, labels=decades) # 绘制箱线图
plt.xlabel('年代') # 设置x轴标签
plt.ylabel('评分') # 设置y轴标签
plt.title('豆瓣图书不同年代评分箱线图') # 设置标题
plt.savefig('rating_by_decade_box.png') # 保存图片

# 绘制散点图，显示评分和评分人数的关系
plt.figure(figsize=(8, 6)) # 设置画布大小
plt.scatter(df['rating'], df['rating_num'], color='steelblue', alpha=0.5) # 绘制散点图
plt.xlabel('评分') # 设置x轴标签
plt.ylabel('评分人数') # 设置y轴标签
plt.title('豆瓣图书评分和评分人数散点图') # 设置标题
plt.savefig('rating_num_scatter.png') # 保存图片
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

结语

本文介绍了如何使用爬虫技术获取豆瓣图书的评分数据，并进行可视化分析，探索不同类型、不同年代、不同地区的图书的评分特征和规律。通过本文，我们可以学习到以下几点：

• 如何使用scrapy框架编写爬虫程序，从豆瓣图书网站抓取图书的基本信息和评分数据，保存为csv格式的文件。
• 如何使用亿牛云爬虫代理服务，提高爬虫效率和稳定性，避免被豆瓣网站屏蔽或封禁。
• 如何使用pandas库对爬取的数据进行清洗和处理，提取出需要的字段和特征。
• 如何使用matplotlib库对处理后的数据进行可视化分析，绘制各种类型的图表，展示不同维度的评分分布和关系。

希望本文能够对你有所帮助，如果你对爬虫技术或者数据可视化有兴趣，可以继续深入学习和探索。谢谢你的阅读！